論文の概要: Tri-Learn Graph Fusion Network for Attributed Graph Clustering
- arxiv url: http://arxiv.org/abs/2507.13620v2
- Date: Tue, 22 Jul 2025 08:44:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 13:10:14.725012
- Title: Tri-Learn Graph Fusion Network for Attributed Graph Clustering
- Title（参考訳）: 分散グラフクラスタリングのためのTri-Learn Graph Fusion Network
- Authors: Binxiong Li, Xu Xiang, Xue Li, Binyu Zhao, Heyang Gao, Qinyu Zhao,
- Abstract要約: 本稿では,GCN,オートエンコーダ(AE),グラフ変換器からなる新しいディープクラスタリングフレームワークを提案する。
このフレームワークは、ユニークな3つの学習機構と特徴融合戦略を通じて、グローバルおよびローカル情報の識別と一貫性を高める。
ACMデータセットで約0.87%、Reutersデータセットで14.14%、USPSデータセットで7.58%の精度向上を実現している。
- 参考スコア（独自算出の注目度）: 5.2044462428583875
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, models based on Graph Convolutional Networks (GCN) have made significant strides in the field of graph data analysis. However, challenges such as over-smoothing and over-compression remain when handling large-scale and complex graph datasets, leading to a decline in clustering quality. Although the Graph Transformer architecture has mitigated some of these issues, its performance is still limited when processing heterogeneous graph data. To address these challenges, this study proposes a novel deep clustering framework that comprising GCN, Autoencoder (AE), and Graph Transformer, termed the Tri-Learn Graph Fusion Network (Tri-GFN). This framework enhances the differentiation and consistency of global and local information through a unique tri-learning mechanism and feature fusion enhancement strategy. The framework integrates GCN, AE, and Graph Transformer modules. These components are meticulously fused by a triple-channel enhancement module, which maximizes the use of both node attributes and topological structures, ensuring robust clustering representation. The tri-learning mechanism allows mutual learning among these modules, while the feature fusion strategy enables the model to capture complex relationships, yielding highly discriminative representations for graph clustering. It surpasses many state-of-the-art methods, achieving an accuracy improvement of approximately 0.87% on the ACM dataset, 14.14 % on the Reuters dataset, and 7.58 % on the USPS dataset. Due to its outstanding performance on the Reuters dataset, Tri-GFN can be applied to automatic news classification, topic retrieval, and related fields.
- Abstract（参考訳）: 近年,グラフ畳み込みネットワーク(GCN)に基づくモデルがグラフデータ解析の分野で大きな進歩を遂げている。
しかし、大規模で複雑なグラフデータセットを扱う場合、過剰なスムーシングや過剰圧縮といった課題が残るため、クラスタリングの品質は低下する。
Graph Transformerアーキテクチャはこれらの問題の一部を緩和しているが、不均一なグラフデータを処理する場合のパフォーマンスはまだ限られている。
これらの課題に対処するために、GCN、オートエンコーダ(AE)、グラフトランスフォーマーを含む新しいディープクラスタリングフレームワークをTri-GFN(Tri-Learn Graph Fusion Network)と呼ぶ。
このフレームワークは、ユニークな3つの学習機構と特徴融合強化戦略を通じて、グローバルおよびローカル情報の識別と整合性を高める。
このフレームワークはGCN、AE、Graph Transformerモジュールを統合している。
これらのコンポーネントはトリプルチャネル拡張モジュールによって慎重に融合され、ノード属性とトポロジ構造の両方の使用を最大化し、ロバストなクラスタリング表現を保証する。
トリラーニングメカニズムは、これらのモジュール間の相互学習を可能にする一方で、特徴融合戦略は、モデルが複雑な関係をキャプチャし、グラフクラスタリングに高い差別的な表現をもたらすことを可能にする。
ACMデータセットで約0.87%、Reutersデータセットで14.14%、USPSデータセットで7.58%の精度向上を実現している。
Reutersデータセットの優れた性能のため、Tri-GFNは自動ニュース分類、トピック検索、および関連分野に適用できる。
関連論文リスト
- GCL-GCN: Graphormer and Contrastive Learning Enhanced Attributed Graph Clustering Network [6.738515963971333]
本稿では,局所的な依存や複雑な構造を捉える上で,既存のモデルの限界に対処する,新しいディープグラフクラスタリングモデルGCL-GCNを提案する。
GCL-GCNは、中心性符号化と空間関係を組み合わせた革新的なGraphormerモジュールを導入した。
事前学習フェーズでは、このモジュールは元の特徴行列のコントラスト学習によって特徴の区別を高める。
論文 参考訳（メタデータ） (2025-07-25T09:25:55Z) - GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [54.60090631330295]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。
本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
論文 参考訳（メタデータ） (2025-07-24T15:45:26Z) - Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering [10.67474681549171]
グラフレベルクラスタリングのためのマルチリレーショナルグラフカーネル強化ネットワーク(MGSN)を提案する。
MGSNは、ノードとグラフ間の多様な意味関係を捉えるために、マルチリレーショナルグラフを構築する。
リレーショナル・アウェアな表現改善戦略を設計し、ビュー間で多関係情報を適応的に整列させる。
論文 参考訳（メタデータ） (2025-04-02T11:17:15Z) - RDSA: A Robust Deep Graph Clustering Framework via Dual Soft Assignment [18.614842530666834]
我々は、Dual Soft Assignment (RDSA)を介してRobust Deep Graph Clustering Frameworkと呼ばれる新しいフレームワークを導入する。
RDSAは3つの主要なコンポーネントから構成される: (i) グラフのトポロジ的特徴とノード属性を効果的に統合するノード埋め込みモジュール、 (ii) ノード割り当てに親和性行列を利用することでグラフモジュラリティを改善する構造ベースのソフトアサインモジュール、 (iii) コミュニティランドマークを識別し、モデルの堅牢性を高めるためにノード割り当てを洗練させるノードベースのソフトアサインモジュール。
我々はRDSAを実世界の様々なデータセットで評価し、既存の状態と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-29T05:18:34Z) - Transforming Graphs for Enhanced Attribute Clustering: An Innovative
Graph Transformer-Based Method [8.989218350080844]
本研究では、グラフクラスタリングのためのグラフトランスフォーマーオートエンコーダ(GTAGC)と呼ばれる革新的な手法を提案する。
Graph Auto-EncoderをGraph Transformerでマージすることで、GTAGCはノード間のグローバルな依存関係をキャプチャできる。
GTAGCのアーキテクチャはグラフの埋め込み、オートエンコーダ構造内のグラフ変換器の統合、クラスタリングコンポーネントを含んでいる。
論文 参考訳（メタデータ） (2023-06-20T06:04:03Z) - Multi-view Graph Convolutional Networks with Differentiable Node
Selection [29.575611350389444]
差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。
MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。
提案手法の有効性は,最先端手法と厳密な比較により検証した。
論文 参考訳（メタデータ） (2022-12-09T21:48:36Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-02-20T10:11:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。